农业机械学报

作者：王鹏新，杜江莉，张悦，刘峻明，李红梅，王春梅

单位：中国农业大学,中国农业大学,中国农业大学,中国农业大学,陕西省气象局,中国科学院空天信息创新研究院,

关键词：冬小麦;作物估产;遥感多参数;卷积神经网络;Transformer模型

基金：国家自然科学基金项目（42171332）

为了提高冬小麦单产估测精度，改善估产模型存在的高产低估和低产高估等现象，以陕西省关中平原为研究区域，选取旬尺度条件植被温度指数（VTCI）、叶面积指数（LAI）和光合有效辐射吸收比率（FPAR）为遥感特征参数，结合卷积神经网络（CNN）局部特征提取能力和基于自注意力机制的Transformer网络的全局信息提取能力，构建CNN-Transformer深度学习模型，用于估测关中平原冬小麦产量。与Transformer模型（R2为0.64，RMSE为465.40kg/hm2，MAPE为8.04%）相比，CNN-Transformer模型具有更高的冬小麦单产估测精度（R2为0.70，RMSE为420.39kg/hm2，MAPE为7.65%），能够从遥感多参数中提取更多与产量相关的信息，且对于Transformer模型存在的高产低估和低产高估现象均有所改善。基于5折交叉验证法和留一法进一步验证了CNN-Transformer模型的鲁棒性和泛化能力。此外，基于CNN-Transformer模型捕获冬小麦生长过程的累积效应，分析逐步累积旬尺度输入参数对产量估测的影响，评估模型对于冬小麦不同生长阶段的累积过程的表征能力。结果表明，模型能有效捕捉冬小麦生长的关键时期，3月下旬至5月上旬是冬小麦生长的关键时期。

来源：2024年第3期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2024年第3期